Kim był George B. Dantzig?
George Bernard Dantzig (1914–2005) urodził się 8 listopada 1914 r. w Portland w stanie Oregon. Jego rodzice, Tobias i Anja, studiowali matematykę na Sorbonie; imiona George Bernard nadali mu na cześć George’a Bernarda Shawa, bo marzyli, że syn zostanie pisarzem (Cottle, 2024). W 1936 r. ukończył studia licencjackie z matematyki i fizyki na University of Maryland, a w 1938 r. uzyskał magisterium z matematyki na University of Michigan (Cottle, 2024; Lee, 1995, podaje rok 1937). W latach 1937–1939 pracował jako statystyk w U.S. Bureau of Labor Statistics (Lee, 1995). Tam recenzował artykuł Jerzego Neymana i postanowił studiować statystykę matematyczną u niego w Berkeley (Cottle, 2024).
Wojna przerwała doktorat: Dantzig pracował w dziale analiz bojowych dowództwa sił powietrznych armii USA w Waszyngtonie, za co w 1944 r. otrzymał odznaczenie Departamentu Wojny. Doktorat uzyskał w 1946 r., a potem jako doradca matematyczny kontrolera sił powietrznych w Pentagonie (1946–1952) w 1947 r. sformułował zadanie programowania liniowego i metodę simpleks. Od 1952 r. pracował w RAND Corporation, od 1960 r. na Uniwersytecie Kalifornijskim w Berkeley, a od 1966 r. na Uniwersytecie Stanforda. W 1975 r. otrzymał National Medal of Science (Cottle, 2024). Zmarł 13 maja 2005 r. w Stanford (Lee, 1995).
Najważniejsze pomysły
- Moc testu Studenta a nieznane σ (1940). Dantzig wykazał, że nie istnieje test hipotezy Studenta o średniej rozkładu normalnego, którego moc nie zależałaby od nieznanego odchylenia standardowego σ (Dantzig, 1940). Praktyczny wniosek: moc testu t planuje się dla standaryzowanej różnicy, a nie dla różnicy w punktach.
- Lemat Neymana–Pearsona domknięty (1951). Z Abrahamem Waldem rozstrzygnął dwa pytania pozostawione przez Neymana i Egona Pearsona: czy najmocniejszy obszar krytyczny zawsze istnieje i czy warunek z ich lematu jest nie tylko wystarczający, ale i konieczny. Odpowiedź: obszar istnieje, a warunek przy łagodnym założeniu jest konieczny (Dantzig i Wald, 1951).
- Programowanie liniowe i metoda simpleks (1947). Zadanie: znaleźć minimum funkcji liniowej przy ograniczeniach w postaci układu równań lub nierówności liniowych dla nieujemnych zmiennych. Metoda simpleks przechodzi po krawędziach wielościanu rozwiązań dopuszczalnych od wierzchołka do wierzchołka, aż znajdzie optymalny. Nazwę „linear programming” zaproponował w 1948 r. Tjalling Koopmans, a „simplex” wzięła się z rozmowy z Theodore’em Motzkinem (Cottle, 2024).
Ciekawostka
Najsłynniejsza historia o Dantzigu wydarzyła się na zajęciach Neymana w Berkeley. Według wspomnienia Richarda Cottle’a (2024) Dantzig spóźnił się na wykład i zobaczył na tablicy dwa zadania. Uznał je za pracę domową, rozwiązywał dłużej niż zwykle i na polecenie Neymana rzucił rozwiązania na jego zawalone papierami biurko. Kilka tygodni później, wcześnie w niedzielny poranek, Neyman zadzwonił do drzwi Dantziga z rękopisem wstępu do jednego z rozwiązań i chciał je posłać do druku.
Oba zadania były otwartymi problemami statystyki matematycznej. Ich rozwiązania złożyły się na doktorat Dantziga; jedno ukazało się w 1940 r., drugie – w 1951 r. wspólnie z Waldem (Cottle, 2024). Cottle pisze, że właśnie w Berkeley zaczyna się legenda Dantziga.
Przykład: moc testu t a nieznane σ
Pokazujemy na symulacji, o co chodzi w twierdzeniu z 1940 r. Test t dla jednej próby sprawdza hipotezę, że średnia wynosi 0 (n = 10, α = .05, dwustronnie). Prawdziwa średnia to δ – różnica w jednostkach pomiaru. Moc liczymy dokładnie z rozkładu niecentralnego t (power.t.test) i sprawdzamy symulacją: 10 000 prób dla każdej pary δ i σ, set.seed(1940). Dane są symulowane; δ, σ i n dobraliśmy ręcznie, żeby różnice były wyraźne.
Ta sama różnica δ = 1 daje moc .803 przy σ = 1, .293 przy σ = 2 i .109 przy σ = 4. Symulacja zgadza się z rachunkiem dokładnym z dokładnością do 0.012. Te same liczby uporządkowane według d = δ/σ układają się w jedną krzywą: trzy różne pary z d = 0.5 dają tę samą moc .293. Nie da się więc obiecać mocy dla „różnicy 1 punktu”, nie znając σ. Pozorne obejście – test z, w którym przyjmujemy σ = 1 – zawodzi, gdy naprawdę σ = 2: jego błąd I rodzaju rośnie z 5% do 32.7%.
Na rysunku
Co widać. Prace statystyczne i metoda simpleks powstały w latach 1940–1951; od 1952 r. w RAND Dantzig rozwijał głównie teorię programowania liniowego (Cottle, 2024).
Na co uważać. Oś zawiera tylko daty z cytowanych źródeł. Roku przyjazdu do Berkeley i historii z tablicą źródła nie podają.
Podpis do pracy:
set.seed(1940)).Co widać. Na panelu A ta sama różnica δ daje zupełnie inną moc zależnie od σ: przy σ = 4 nawet δ = 4 ledwo osiąga 0.80. Na panelu B krzywe się pokrywają – moc testu t zależy od δ i σ tylko przez ich iloraz d.
Na co uważać. Panel B nie „rozwiązuje” problemu: do przeliczenia różnicy w punktach na d nadal trzeba znać σ. W planowaniu bierze się je z pilotażu lub literatury i sprawdza wynik przy innym σ.
Podpis do pracy:
Gdzie spotkasz Dantziga w swojej pracy
- Analiza mocy. Program do obliczania liczebności próby pyta o d Cohena, a nie o różnicę w punktach – to praktyczna konsekwencja twierdzenia z 1940 r. Zob. Jacob Cohen, parametr niecentralności i symulacyjna analiza mocy oraz kalkulator liczebności próby.
- Testowanie hipotez. Lemat Neymana–Pearsona, który Dantzig i Wald uzupełnili, uzasadnia, dlaczego test ilorazu wiarygodności jest najmocniejszy przy ustalonym błędzie I rodzaju; rozkład statystyki znajdziesz w haśle rozkład t-Studenta.
- Regresja z wartościami bezwzględnymi. Cottle (2024) przypomina, że metoda Boscovicha z 1757 r. – dopasowanie prostej przez minimalizację sumy wartości bezwzględnych reszt – jest równoważna wariantowi metody simpleks. Ten sam rodzaj zadania rozwiązuje się dziś w regresji kwantylowej, alternatywie dla metody najmniejszych kwadratów.
Spory, mity i trudne strony
- „Świat jest nieliniowy”. Gdy w 1948 r. Dantzig przedstawił programowanie liniowe na zjeździe Econometric Society w Madison, Harold Hotelling zarzucił mu, że świat nie jest liniowy. W obronie stanął John von Neumann: jeśli zastosowanie spełnia założenia modelu, można go używać (Cottle, 2024).
- Kto pierwszy? Cottle (2024) przyznaje, że można argumentować, iż warianty metody opublikowano wcześniej (Boscovich i Maire w 1757 r., Hitchcock w 1941 r.) – simpleks i tak uchodzi za jego główne osiągnięcie.
- Nobel bez Dantziga. W 1975 r. ekonomiczną Nagrodę Nobla otrzymali Leonid Kantorowicz i Tjalling Koopmans. Starania uczonych, by docenić także Dantziga, nie przyniosły skutku; w tym samym roku otrzymał National Medal of Science i nagrodę Johna von Neumanna (Cottle, 2024).
Dantzig w R
Kod rysuje oś czasu, a potem liczy moc testu t dla jednej próby (n = 10, α = .05) przy różnych δ i σ: dokładnie funkcją power.t.test() (z obu ogonów, strict = TRUE) i z symulacji, w której statystykę t dla 10 000 prób liczy się wektorowo. Porównuje moc dla tej samej różnicy δ = 1 i dla tego samego d = 0.5 oraz błąd I rodzaju testu z z błędnie założonym σ. Rysunki na stronie powstały z tych samych obiektów p_os i p_metoda z krojem i tłem serwisu; dane, geometrie i skale są identyczne.
moc dla δ = 1 przy σ = 1, 2 i 4, tabelę mocy z symulacji i rachunku dokładnego dla 18 par (δ, σ) z wartością d, moc dla trzech par o d = 0.5 i błąd I rodzaju testu z przy σ = 2.
Kod R rysunków 1 i 2
# George B. Dantzig: oś czasu i jego wynik z 1940 r. – moc testu t zależy od nieznanego σ (symulacja)
suppressPackageStartupMessages({library(ggplot2); library(patchwork)})
oi <- c(niebieski = "#0072B2", pomaranczowy = "#E69F00", cynober = "#D55E00", zielony = "#009E73",
blekitny = "#56B4E9", szary = "grey45") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) + theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"))
# 1. Oś czasu (lata według Cottle'a 2024, Dantziga 1940 oraz Dantziga i Walda 1951)
zdarzenia <- data.frame(
rok = c(1914, 1936, 1940, 1946, 1947, 1951, 1952, 1966, 1975, 2005),
opis = c("urodzony w Portland\n(Oregon)", "licencjat\n(Maryland)", "praca o teście\nStudenta", "doktorat\n(Berkeley)",
"metoda simpleks\n(Pentagon)", "z A. Waldem: lemat\nNeymana–Pearsona", "RAND", "Stanford",
"National Medal\nof Science", "zmarł"),
rodzaj = c("życie", "nauka", "publikacja", "nauka", "metoda", "publikacja", "praca", "praca", "nagroda", "życie"))
zdarzenia$y <- c(1.2, -1, 2.1, -2, 1.2, -1, 2.1, -2, 1.2, -1) # wysokość etykiet, żeby się nie nakładały
p_os <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60") +
geom_segment(aes(xend = rok, yend = y * 0.8), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.5) +
geom_label(aes(y = y, label = paste0(rok, "\n", opis)), size = 3.2, lineheight = 0.9, linewidth = 0.2) +
scale_shape_manual(values = c("życie" = 21, "nauka" = 22, "publikacja" = 25, "metoda" = 23, "praca" = 24,
"nagroda" = 22), name = NULL) +
scale_fill_manual(values = c("życie" = oi[["szary"]], "nauka" = oi[["zielony"]], "publikacja" = oi[["cynober"]],
"metoda" = oi[["pomaranczowy"]], "praca" = oi[["niebieski"]], "nagroda" = "white"), name = NULL) +
scale_x_continuous(breaks = seq(1910, 2000, 10), limits = c(1905, 2014)) + scale_y_continuous(limits = c(-2.6, 2.7)) +
labs(title = "George B. Dantzig (1914–2005)", x = NULL, y = NULL) +
motyw + theme(axis.text.y = element_blank(), panel.grid.major.y = element_blank(), legend.position = "bottom")
# 2. Test t dla jednej próby: H0: μ = 0, n = 10, α = .05 (dwustronnie). Prawdziwa średnia = δ (w jednostkach pomiaru).
n <- 10; alfa <- 0.05
moc_t <- function(delta, sigma) # strict = TRUE: oba ogony obszaru odrzuceń
power.t.test(n = n, delta = delta, sd = sigma, sig.level = alfa, type = "one.sample", strict = TRUE)$power
# Moc z rozkładu niecentralnego t dla tej samej różnicy δ = 1 przy różnym σ
round(sapply(c(sigma_1 = 1, sigma_2 = 2, sigma_4 = 4), function(s) moc_t(1, s)), 3)
# Sprawdzenie symulacją: 10 000 prób po n = 10 dla każdej pary (δ, σ); statystyka t liczona wektorowo
set.seed(1940)
symuluj <- function(delta, sigma, R = 10000) {
x <- matrix(rnorm(R * n, mean = delta, sd = sigma), nrow = R)
t <- rowMeans(x) / (apply(x, 1, sd) / sqrt(n))
mean(abs(t) > qt(1 - alfa / 2, df = n - 1))
}
siatka <- expand.grid(delta = c(0, 0.5, 1, 2, 3, 4), sigma = c(1, 2, 4))
siatka$moc_symulacja <- mapply(symuluj, siatka$delta, siatka$sigma)
siatka$moc_dokladna <- mapply(moc_t, siatka$delta, siatka$sigma)
siatka$d <- siatka$delta / siatka$sigma
print(transform(siatka, moc_symulacja = round(moc_symulacja, 3), moc_dokladna = round(moc_dokladna, 3)), row.names = FALSE)
# Te same pary uporządkowane według d = δ / σ: moc zależy tylko od d
round(c(d_0.5_z_delta1_sigma2 = moc_t(1, 2), d_0.5_z_delta2_sigma4 = moc_t(2, 4), d_0.5_z_delta0.5_sigma1 = moc_t(0.5, 1)), 3)
# „Obejście” ze znanym σ: test z przy założeniu σ = 1, gdy naprawdę σ = 2 – błąd I rodzaju zamiast 5%
round(c(alfa_testu_z_gdy_sigma_2 = 2 * pnorm(-qnorm(1 - alfa / 2) / 2)), 3)
# Rysunek 2A: moc a różnica δ w jednostkach pomiaru – trzy krzywe dla trzech σ
krzywe <- expand.grid(delta = seq(0, 4, by = 0.05), sigma = c(1, 2, 4))
krzywe$moc <- mapply(moc_t, krzywe$delta, krzywe$sigma)
krzywe$d <- krzywe$delta / krzywe$sigma
krzywe$s <- factor(paste("σ =", krzywe$sigma)); siatka$s <- factor(paste("σ =", siatka$sigma))
kol <- c("σ = 1" = oi[["niebieski"]], "σ = 2" = oi[["pomaranczowy"]], "σ = 4" = oi[["cynober"]])
pA <- ggplot(krzywe, aes(delta, moc, colour = s, linetype = s)) +
geom_hline(yintercept = c(alfa, 0.8), colour = "grey55", linetype = "dotted") +
geom_line(linewidth = 0.9) +
geom_point(data = siatka, aes(y = moc_symulacja, shape = s), size = 2.6, fill = "white", stroke = 1) +
geom_vline(xintercept = 1, colour = "grey40", linewidth = 0.3) +
scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = c("solid", "dashed", "dotdash"), name = NULL) +
scale_shape_manual(values = c(21, 24, 22), name = NULL) +
scale_y_continuous(limits = c(0, 1), breaks = c(0, alfa, 0.25, 0.5, 0.8, 1)) +
labs(title = "A. Ta sama różnica δ, różne σ", x = "Prawdziwa średnia δ (jednostki pomiaru)", y = "Moc testu t (n = 10)") +
motyw
# Rysunek 2B: te same krzywe względem d = δ / σ – nakładają się na jedną
pB <- ggplot(krzywe[krzywe$d <= 2, ], aes(d, moc, colour = s, linetype = s)) +
geom_hline(yintercept = c(alfa, 0.8), colour = "grey55", linetype = "dotted") +
geom_line(linewidth = 0.9) +
geom_point(data = siatka[siatka$d <= 2, ], aes(y = moc_symulacja, shape = s), size = 2.6, fill = "white", stroke = 1) +
scale_colour_manual(values = kol, name = NULL) + scale_linetype_manual(values = c("solid", "dashed", "dotdash"), name = NULL) +
scale_shape_manual(values = c(21, 24, 22), name = NULL) +
scale_y_continuous(limits = c(0, 1), breaks = c(0, alfa, 0.25, 0.5, 0.8, 1)) +
labs(title = "B. Te same dane względem d = δ / σ", x = "Standaryzowana różnica d = δ / σ", y = "Moc testu t (n = 10)") +
motyw
p_metoda <- pA + pB + plot_layout(guides = "collect") & theme(legend.position = "bottom")
p_os
p_metodaWynik w R
sigma_1 sigma_2 sigma_4
0.803 0.293 0.109
delta sigma moc_symulacja moc_dokladna d
0.0 1 0.050 0.050 0.000
0.5 1 0.295 0.293 0.500
1.0 1 0.802 0.803 1.000
2.0 1 1.000 1.000 2.000
3.0 1 1.000 1.000 3.000
4.0 1 1.000 1.000 4.000
0.0 2 0.052 0.050 0.000
0.5 2 0.108 0.109 0.250
1.0 2 0.281 0.293 0.500
2.0 2 0.796 0.803 1.000
3.0 2 0.988 0.987 1.500
4.0 2 1.000 1.000 2.000
0.0 4 0.047 0.050 0.000
0.5 4 0.059 0.065 0.125
1.0 4 0.106 0.109 0.250
2.0 4 0.297 0.293 0.500
3.0 4 0.562 0.562 0.750
4.0 4 0.802 0.803 1.000
d_0.5_z_delta1_sigma2 d_0.5_z_delta2_sigma4 d_0.5_z_delta0.5_sigma1
0.293 0.293 0.293
alfa_testu_z_gdy_sigma_2
0.327 Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (moc – funkcja power.t.test(), losowanie – rnorm(), obie z pakietu stats; rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był George Dantzig?
Amerykańskim matematykiem (1914–2005), doktorem statystyki matematycznej z Berkeley (1946, promotor Jerzy Neyman), twórcą programowania liniowego i metody simpleks. Pracował w Pentagonie, w RAND, na Uniwersytecie Kalifornijskim w Berkeley i na Uniwersytecie Stanforda.
Na czym polega metoda simpleks?
To algorytm rozwiązywania zadań programowania liniowego: szuka minimum lub maksimum funkcji liniowej przy ograniczeniach w postaci nierówności liniowych. Rozwiązanie leży w wierzchołku wielościanu dopuszczalnych rozwiązań, a metoda przechodzi wzdłuż jego krawędzi od wierzchołka do wierzchołka, aż znajdzie optymalny.
Czy Dantzig naprawdę rozwiązał otwarte problemy, biorąc je za pracę domową?
Tak opisuje to jego biograf Richard Cottle: spóźniony na zajęcia Neymana Dantzig przepisał z tablicy dwa zadania, rozwiązał je i oddał; okazało się, że były to otwarte problemy statystyki matematycznej, a ich rozwiązania weszły do jego doktoratu (prace z 1940 i 1951 r.).
Co Dantzig udowodnił o teście t Studenta?
W 1940 r. wykazał, że nie istnieje test hipotezy Studenta oparty na jednej próbie, którego moc nie zależałaby od nieznanego odchylenia standardowego σ. Dlatego moc testu t planuje się dla standaryzowanej różnicy d = δ/σ, a nie dla samej różnicy średnich.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Kalkulator liczebności próby
Ile osób do testu t, korelacji albo ankiety z marginesem błędu? Kalkulator zgodny z R, wzory, przykład i gotowy opis analizy mocy.
Czytaj →PoradnikMoc testu w obrazkach
Pola α, β i mocy na dwóch rozkładach, krzywe mocy z symulacją, klątwa zwycięzcy przy niskiej mocy i moc po fakcie – pięć rysunków z kodem R.
Czytaj →Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Cottle, R. W. (2024). George B. Dantzig, November 8, 1914–May 13, 2005. Biographical Memoirs of the National Academy of Sciences. https://www.nasonline.org/wp-content/uploads/2024/06/dantzig-george-b.pdf ● Otwarty dostęp
- Dantzig, G. B. (1940). On the non-existence of tests of "Student's" hypothesis having power functions independent of σ. The Annals of Mathematical Statistics, 11(2), 186–192. https://doi.org/10.1214/aoms/1177731912 ● Otwarty dostęp
- Dantzig, G. B., & Wald, A. (1951). On the fundamental lemma of Neyman and Pearson. The Annals of Mathematical Statistics, 22(1), 87–93. https://doi.org/10.1214/aoms/1177729695 ● Otwarty dostęp
- Lee, J. A. N. (1995). George Bernard Dantzig. Computer Pioneers. https://history.computer.org/pioneers/dantzig.html ● Otwarty dostęp
Cytowania BibTeX
@misc{cottle2024george, author={Cottle, Richard W.}, title={{George B. Dantzig, November 8, 1914–May 13, 2005}}, howpublished={Biographical Memoirs of the National Academy of Sciences}, year={2024}, publisher={National Academy of Sciences}, url={https://www.nasonline.org/wp-content/uploads/2024/06/dantzig-george-b.pdf}}@article{dantzig1940non, author={Dantzig, George B.}, title={{On the non-existence of tests of "Student's" hypothesis having power functions independent of σ}}, journal={The Annals of Mathematical Statistics}, year={1940}, volume={11}, number={2}, pages={186--192}, doi={10.1214/aoms/1177731912}}@article{dantzig1951fundamental, author={Dantzig, George B. and Wald, Abraham}, title={{On the fundamental lemma of Neyman and Pearson}}, journal={The Annals of Mathematical Statistics}, year={1951}, volume={22}, number={1}, pages={87--93}, doi={10.1214/aoms/1177729695}}@misc{lee1995george, author={Lee, J. A. N.}, title={{George Bernard Dantzig}}, howpublished={Computer Pioneers}, year={1995}, publisher={IEEE Computer Society}, url={https://history.computer.org/pioneers/dantzig.html}}